聪明世界#9
编程偏弱自报
记性1.0M
便宜$7.5
记性换算成体感:一次能读完《哈利·波特》全七部
Gemini 系列的全模态模型 · 按发布时间
共 26 个 · 这里是相邻的 7 个 · 谷歌的全部模型 →他的房间
电脑
没有公开的编程评测成绩
书架
5 层 · 记忆 1.0M tokens
黑板
数学与科学推理
日历
知识停在 2026-03
冰箱
支持上下文缓存,能存记忆
门禁
闭源,权重不公开
身世
- 发布日期
- 2026 年 11 月 12 日models.dev
- 知识截止
- 2026-03
- 参数量
- 体型为估算值,官方从未公布参数量
- 开放权重
- 否
- 开源许可
- 暂无数据
- 上下文窗口
- 1.0M tokens
- 单次最大输出
- 66K
- 输入价格
- $1.50 / 百万 tokens
- 输出价格
- $7.50 / 百万 tokens
- 模型类型
- 全模态能听声音、也能看图,文字、图、声音一起理解
- 支持的输入
- 声音、图像、文件、文字、视频 → 文字
- 工具调用
- 是
- 深度思考
- 是
- 提示缓存
- 是
战绩
- 综合智力
- 166.8
- AIME 数学
- 100.0%
- GPQA Diamond 科学
- 96.8%
- ARC-AGI-2 抽象推理
- 未参评
- Fiction.liveBench 长文本
- 未参评
综合智力、数学、科学、抽象推理与长文本数据来自 Epoch AI(CC-BY 4.0)。写「未参赛」的项目表示该模型没有被这项评测收录, 不代表它做不到——本站不会用估算值填补空缺。
编程战绩(按赛制分列)
- Terminal-Bench57.0%把模型丢进一个真实终端里让它自己干完一件活——装环境、跑脚本、调错。考的是当「实习生」的本事,不只是写代码。厂商自报https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-hydrogen/
- CursorBench61.4%在真实 IDE 里做代码编辑的测试,题目来自 Cursor 收集的实际使用场景。第三方实测https://cursor.com/cursorbench
- ALE-Bench1826AtCoder 启发式算法竞赛题,考的是给一个没有标准答案的优化问题找出尽量好的解。分数是 137–2177 的评分标度,不是百分比。和「修 bug」是两种能力。第三方实测https://epoch.ai/benchmarks
这些分数不可互相比较。同一个模型换一套评测脚手架就能差二三十分: SWE-bench Verified 的中位数是 75.7,而难度更高的 SWE-Bench Pro 只有 41.0。 广场上的能力条因此显示的是「在同一把尺子下排第几」,而不是分数本身。
全部成绩(按榜单分列)
名次的分母是在同一个榜、由同一类测量方测过的模型数,不是全站模型数。不同榜的分数不可互相比较。
综合
- 综合智力166.8第 9 / 220Epoch Capabilities Index,把十几项学术评测归并成一个总分。想知道「谁最强」,先看这一栏。第三方实测https://epoch.ai/benchmarks
- SimpleBench91.7%第 4 / 130一套普通人能轻松答对、模型却常常答错的常识题。分数越高越少犯「一看就傻」的错。第三方实测https://simple-bench.com/
数学
- FrontierMath88.1%第 13 / 118由职业数学家出的原创难题,连数学博士都要花几小时甚至几天。分数是解出的比例,能过一成就是前沿水平。第三方实测https://epoch.ai/frontiermath
- FrontierMath 第四层87.8%第 11 / 90FrontierMath 里最难的一层,研究级别的问题,绝大多数模型接近零分。第三方实测https://epoch.ai/frontiermath
- AIME 数学100.0%第 1 / 219美国高中数学邀请赛难度的模拟题,是数学竞赛能力的通行标尺。答对比例,满分 100。第三方实测https://epoch.ai/benchmarks
知识与推理
- GPQA 科学96.8%第 2 / 222博士级别的物理、化学、生物选择题,题目设计到「谷歌也搜不到答案」。随机乱猜是 25 分。第三方实测https://epoch.ai/benchmarks
- SimpleQA 事实问答70.9%第 10 / 115一问一答的冷门事实题,测的是「知不知道」和「会不会瞎编」。分数低的模型更容易一本正经地胡说。第三方实测https://www.kaggle.com/benchmarks/deepmind/simpleqa-verified
智能体
- 经营售货机$14,549第 4 / 106Vending-Bench:让模型经营一台虚拟售货机一整年——进货、定价、付租金。分数是最后账上的钱,考的是长期不犯糊涂。第三方实测https://andonlabs.com/evals/vending-bench
- APEX 专业任务78.0%第 5 / 78投行、律所、咨询公司的真实工作任务,由业内专家出题与评分。第三方实测
游戏与谜题
- 国际象棋残局60.0%第 12 / 113给一个棋局找出最佳着法。分数是解对的比例,随机乱走约 5 分。第三方实测https://epoch.ai/benchmarks/chess-puzzles
- 推理游戏谜题65.0%第 9 / 110Epoch 自建的一组推理小游戏,测的是在规则未知的环境里摸索规律。第三方实测https://epoch.ai/benchmarks
- EBR-bench70.5%第 8 / 39Epoch 自建的一项评测,具体口径以 Epoch 榜单页说明为准。第三方实测https://epoch.ai/benchmarks
其他
- Furniture Assembly57.5%第 14 / 46Epoch AI 收录的评测,暂无中文说明。第三方实测
- Spireclimb7.7%第 7 / 11Epoch AI 收录的评测,暂无中文说明。第三方实测
- Spireclimb Sts1 A20 Heart10.0%第 5 / 11Epoch AI 收录的评测,暂无中文说明。第三方实测
- Spireclimb Sts2 A105.3%第 8 / 11Epoch AI 收录的评测,暂无中文说明。第三方实测